Sign in Subscribe

markets

Markets / macro / trading
Deep Research

算法交易中的深度学习与强化学习（2018–2025）：哪些有效、哪些会失效，以及如何更稳健地落地

2018–2025 年，深度学习（DL）和深度强化学习（DRL）在量化交易里的位置发生了变化：从“论文里很强”逐步走向“可以进入生产体系的工具箱”。但真正被反复验证的，不是“神奇的 Alpha”，而是一些更朴素、也更残酷的结论： * 预测不等于交易：方向准确率提升，并不必然转化为扣除成本后的净收益。 * 风险调整目标更可迁移：Sharpe、回撤等目标往往比“最大化收益”更接近真实约束。 * 泛化才是难点：很多失败来自市场状态切换（regime shift）、数据泄漏、以及过于理想化的回测假设。 下面按模型家族（LSTM/CNN/Transformer）与 DRL 家族（DQN、PPO/A2C/DDPG/SAC）总结关键经验，并给出一个更“可落地”的实践清单。 1）深度学习真正擅长的地方
6 min read
Deep Research

Deep Learning and Reinforcement Learning in Algorithmic Trading (2018–2025): What Worked, What Broke, and How to Deploy Safely

Deep learning (DL) and deep reinforcement learning (DRL) have moved from “interesting papers” to real, production-adjacent toolkits for systematic trading. From 2018–2025, the literature converged on a few uncomfortable truths: * Prediction ≠ trading: higher directional accuracy doesn’t automatically translate into net performance after costs. * Risk-adjusted objectives matter:
4 min read
Deep Research

美国日内交易者的期货交易平台指南：IBKR vs NinjaTrader vs E*TRADE（Power E*TRADE）

为日内交易选择期货交易平台，本质上是在权衡三件事：总成本、成交/执行质量、以及是否匹配你的交易工作流。在美国零售交易者的语境里，以下三家经常被放在同一张对比表上： * Interactive Brokers（IBKR）：成本优势明显、市场覆盖最广、功能极深，但上手门槛更高。 * NinjaTrader：典型“期货优先”的平台，围绕图表、策略、指标与订单管理构建，活跃交易者成本可压得很低。 * ETRADE（Power ETRADE）：更像综合券商的体验，界面友好、教育资源强，期货能力够用但未必最便宜。 本文面向美国日内交易者（股指/商品期货为主）做一份实用对比。 结论先行（Executive summary） * 追求 市场覆盖 + 专业订单类型 + 长期稳定的低成本结构：选 IBKR。 * 交易优势依赖 图表工作流、插件生态、策略/指标开发与期货原生工具：选 NinjaTrader。
5 min read
Deep Research

股票、行业与大盘的资金流技术指标：怎么读、怎么用、怎么避免自欺欺人

所谓“资金流”（fund flow）指标，核心是在回答一个很朴素但又很危险的问题：资金到底是在流入（吸筹/累积）还是流出（派发/出货）？ 必须先把话说清楚：大多数“资金流”指标并不直接观测真实资金（尤其不是基金申赎意义上的 flow），而是把价格与成交量做数学变换，用“成交量代表参与度、收盘位置代表多空控制力”这样的假设，去推断买卖压力。 要点总结 * **没有任何一个指标能测到“真实资金流”。**它们是从价量推断出来的“压力代理变量”。 * 最有价值的用法通常是背离（divergence）：价格创新高/新低，但资金流代理没有同步。 * 做个股，最常用的是 A/D 系列与 CMF、OBV 这些“累积/派发”工具。 * 做行业与大盘，必须叠加市场广度/量能广度（Advance–Decline
7 min read
Deep Research

算法交易的量化架构：用进化式搜索与鲁棒性测试构建可存活的期货/外汇策略

在期货与外汇这样高流动性、强噪声、结构复杂的市场里，“写一个指标策略”远远不够。真正决定策略能否上线存活的，是一套工程化的量化架构：从策略生成、筛选、验证，到组合构建与退役机制。 本文基于 StrategyQuant（含其文档/博客与相关资料）所总结的流程与经验，提炼出一套可复用的研究框架：如何用“进化式策略合成 + 多阶段鲁棒性测试 + 低相关组合 + 客观退役规则”来提高策略的长期胜率。 Executive summary（要点速读） * 从“假设驱动”转向“搜索驱动”：用遗传进化/自动化搜索在巨大的条件空间里生成候选策略，然后靠严格验证而不是靠漂亮回测。 * 简单往往更稳健：大规模策略分析表明，规则复杂度适中的策略（例如 4–6 条规则）在真正样本外阶段的表现往往优于复杂策略；复杂度过高通常是过拟合。 * 样本外（OOS）与压力测试是生死线：IS/OOS 拆分、Walk-Forward、
10 min read
Deep Research

算法交易中的量化架构：构建稳健的期货与外汇策略

现代金融市场日益由一个转变所定义：从依赖主观的人类裁量，走向算法化执行的系统性严谨。对于期货与外汇这类高度多样且流动性极强的市场，想要持续提取 alpha，所需的不只是技术图形观察，而是围绕策略合成、验证与组合管理的“架构化”方法。借助 StrategyQuant X 等先进计算平台，交易者可以利用遗传编程与机器学习发现传统手工分析难以触达的非线性模式。1 本报告对开发一组可在当今高频、数据驱动交易环境中生存的 50 个策略所需的方法论、技术指标与稳健性协议进行全面审视。 算法合成的进化范式 现代算法开发的核心，在于从“假设驱动编码”转向“数据驱动生成”。传统量化研究常采用自上而下（top-down）方法：交易者先提出市场理论，再写代码验证。但现代市场的复杂性常使简单线性理论失效。StrategyQuant X 代表一种自下而上（bottom-up）范式：通过遗传进化组合并验证数百万种不同的入场条件、订单类型与价格水平。1 在该进化框架中，策略被视为由遗传“模块（blocks）”构成的有机体——如相对强弱指标（
20 min read